【技术实现步骤摘要】
本专利技术涉及一种基于互相关卷积网络的地震相识别方法和系统，属于结合人工智能算法的地球物理勘探。
技术介绍
1、地震相是沉积相在地震剖面上表现的总和，是由沉积环境所形成的地震特征，是指一定面积内的地震反射单元，该地震反射单元的地震属性参数与相邻单元的地震属性参数不同，其可以代表产生反射的沉积物的岩性。地震相分析是在划分地震层序的基础上，利用地震参数特征上的差异，将地震层序划分为不同的地震相区，然后作出岩相和沉积环境的推断。现有的地震相解释过程非常复杂，其精度依赖于解释人员的专业知识和经验，不同的解释人员得出的解释往往存在一定区别，即使同一解释人员不同时间得出的解释也不尽相同。且地震相解释的数据非常多，需要耗费大量的时间、精力，缺少时效性。
2、随着人工智能领域的发展，将人工智能算法模型用于地震相识别已经得到了广泛应用。例如将计算机视觉领域的语义分割技术与地震数据分析结合，进行地震相识别。但现有的人工智能地震相识别方法中存在不少问题：现有技术的模型通常只对一个尺寸的图像有较好的识别效果，对其它尺寸的图像则识别效果不佳；地震相识别中地震数据样本少，导致训练的模型准确度低；常规的神经网络模型缺乏对于线性特征的提取且模型的收敛速度较慢；神经网络模型中的池化层会导致噪声数据无法收敛。
技术实现思路
1、针对上述问题，本专利技术的目的是提供了一种能够对地震相训练集数据进行扩充的基于互相关卷积网络的地震相识别方法和系统。
2、为实现上述目的，本专利技术提出了以下技术方案：
3、进一步，所述委员会机制模型由k-最近邻法、bp神经网络和支持向量机模型三个专家模型构成，通过朴素贝叶斯算法随机搜索所述三个专家模型的权重的最优解，根据所述最优解，对所述三个专家模型的输出结果进行加权求和，得到所述委员会机制模型的输出结果。
4、进一步，将所述地震数据进行形态学处理的方法为：提取形态学处理模型的纹理特征，利用结构元素卷积地震剖面，平滑所述形态学处理模型中较大特征的边界，在细小特征处分离特征；将地震数据输入所述形态学处理模型，通过腐蚀和膨胀的互偶运算，对所述地震数据进行开运算，获得经形态学处理的地震数据。
5、进一步，所述生成对抗网络包括生成模型和判别模型，随机噪声输入所述生成器生成噪声信号，所述噪声信号与地震数据输入所述判别模型，所述判别模型用于判断所述地震信号的真假，生成模型和判别模型均由若干去除了全连接层的卷积网络组成。
6、进一步，所述生成模型的输出层采用tanh函数作为激活函数，所述生成对抗网络中的其余层均采用relu函数作为激活函数，所述生成对抗网络为条件生成对抗网络，所述条件生成对抗网络通过学习结构化的损失函数，对输出的节点构造进行惩罚。
7、进一步，所述条件生成对抗网络包括：第一生成器、第二生成器、第一判别器和第二判别器，将地震信息与随机噪声拼接后生成第一向量输入第一生成器，生成判断的地震相；将已知地震相与随机噪声拼接，并将拼接后生成的第二向量与所述判断的地震相一起输入第一判别器中进行判别；将所述第二向量输入第二生成器生成地震数据，将所述生成地震数据与第一向量一同输入第二判别器进行判别。
8、进一步，所述psp-unet神经网络模型包括依次连接的互相关u-net卷积网络模型和金字塔池化模型，地震数据输入所述互相关u-net卷积网络模型，经过所述互相关u-net卷积网络模型的输出结果输入所述金字塔池化模型生成地震相预测结果，所述互相关u-net卷积网络模型的输出层与所述金字塔池化模型的输出层跨层连接。
9、进一步，所述互相关u-net卷积网络模型是将互相关函数加入所述u-net卷积网络模型的下采样层。
10、进一步，所述金字塔池化模型包括若干不同尺度的金字塔池化模块，所述互相关u-net卷积网络模型的输出结果通过深层神经网络预处理，采用网络扩张策略提取特征，通过全局先验来对不同层次的特征分类，低维特征使用1×1卷积层实施上采样操作，并通过双线性插值得到的特征的尺寸与初始特征图一致，最后通过全连接层将所有金字塔池化特征输出串接成最终完全的输出
11、本专利技术还公开了一种基于互相关卷积网络的地震相识别系统，包括：数据获取模块，用于获得测井数据和地震数据；测井岩相识别模块，用于将所述测井数据输入委员会机制模型，对所述测井数据进行测井岩相识别；形态学处理模块，用于将所述地震数据进行形态学处理；数据集扩充模块，用于将测井岩相识别结果和经过形态学处理的地震数据输入生成对抗网络，通过所述生成对抗网络扩充样本数据集；识别结果生成模块，用于将原始地震数据和经过扩充的样本数据集输入psp-unet神经网络模型，生成地震相识别结果。
12、本专利技术由于采取以上技术方案，其具有以下优点：
13、1、本专利技术在u-net网络中接入金字塔场景解析网络可以对不同尺度地震相标签进行区分，提高地震相识别准确度。可以增强对小尺度的地震特征的提取。维持了全局特征的权重，并兼顾大尺度相特征，可产生更准确的地震相划分结果。
14、2、本专利技术中基于条件生成对抗网络结构，学习地震训练集中数据分布的特征，以扩充地震相训练集数据。通过形态学处理有效地增强地震数据特征，在生成对抗网络结构中加入块生成对抗网络可以提取更多地震剖面的全局特征，使生成的样本数据符合地震数据的分布规律，进而完成地震相训练集数据扩充。
15、3、本专利技术中通过引入委员会机制模型的专家成员可以兼具测井数据中的线性特征和非线性特征，委员会机制模型由k-最近邻法、bp神经网络和支持向量机模型三个专家模型构成，其中，k-最近邻算法通过增加k值降低测井曲线中非特征参数的影响，bp神经网络为单隐层的浅层结构，支持向量机模型通过随机选取和最小二乘法进行权值的计算避免分类模型陷入局域最小值，从而增加委员会机制模型的分类精度和模型收敛的速度。
16、4、本专利技术在生成模型和判别模型中均用批量标准化，帮助深度卷积网络部分收敛，但是会造成采样震荡。用卷积层代替空间池化层，进而不再固定抛弃图像中某些位置的值，转向使用深度卷积网络自我学习下采样的方式，从而解决生成对抗网络生成噪声数据无法收敛的问题。
本文档来自技高网...【技术保护点】
1.一种基于互相关卷积网络的地震相识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于互相关卷积网络的地震相识别方法，其特征在于，所述委员会机制模型由K-最近邻法、BP神经网络和支持向量机模型三个专家模型构成，通过朴素贝叶斯算法随机搜索所述三个专家模型的权重的最优解，根据所述最优解，对所述三个专家模型的输出结果进行加权求和，得到所述委员会机制模型的输出结果。
3.如权利要求1所述的基于互相关卷积网络的地震相识别方法，其特征在于，将所述地震数据进行形态学处理的方法为：
4.如权利要求1所述的基于互相关卷积网络的地震相识别方法，其特征在于，所述生成对抗网络包括生成模型和判别模型，随机噪声输入所述生成器生成噪声信号，所述噪声信号与地震数据输入所述判别模型，所述判别模型用于判断所述地震信号的真假，生成模型和判别模型均由若干去除了全连接层的卷积网络组成。
5.如权利要求4所述的基于互相关卷积网络的地震相识别方法，其特征在于，所述生成模型的输出层采用Tanh函数作为激活函数，所述生成对抗网络中的其余层均采用Relu函数作为激活函数，
6.如权利要求5所述的基于互相关卷积网络的地震相识别方法，其特征在于，所述条件生成对抗网络包括：第一生成器、第二生成器、第一判别器和第二判别器，将地震信息与随机噪声拼接后生成第一向量输入第一生成器，生成判断的地震相；将已知地震相与随机噪声拼接，并将拼接后生成的第二向量与所述判断的地震相一起输入第一判别器中进行判别；将所述第二向量输入第二生成器生成地震数据，将所述生成地震数据与第一向量一同输入第二判别器进行判别。
7.如权利要求1所述的基于互相关卷积网络的地震相识别方法，其特征在于，所述PSP-Unet神经网络模型包括依次连接的互相关U-Net卷积网络模型和金字塔池化模型，地震数据输入所述互相关U-Net卷积网络模型，经过所述互相关U-Net卷积网络模型的输出结果输入所述金字塔池化模型生成地震相预测结果，所述互相关U-Net卷积网络模型的输出层与所述金字塔池化模型的输出层跨层连接。
8.如权利要求7所述的基于互相关卷积网络的地震相识别方法，其特征在于，所述互相关U-Net卷积网络模型是将互相关函数加入所述U-Net卷积网络模型的下采样层。
9.如权利要求7所述的基于互相关卷积网络的地震相识别方法，其特征在于，所述金字塔池化模型包括若干不同尺度的金字塔池化模块，所述互相关U-Net卷积网络模型的输出结果通过深层神经网络预处理，采用网络扩张策略提取特征，通过全局先验来对不同层次的特征分类，低维特征使用1×1卷积层实施上采样操作，并通过双线性插值得到的特征的尺寸与初始特征图一致，最后通过全连接层将所有金字塔池化特征输出串接成最终完全的输出。
10.一种基于互相关卷积网络的地震相识别系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于互相关卷积网络的地震相识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于互相关卷积网络的地震相识别方法，其特征在于，所述委员会机制模型由k-最近邻法、bp神经网络和支持向量机模型三个专家模型构成，通过朴素贝叶斯算法随机搜索所述三个专家模型的权重的最优解，根据所述最优解，对所述三个专家模型的输出结果进行加权求和，得到所述委员会机制模型的输出结果。
3.如权利要求1所述的基于互相关卷积网络的地震相识别方法，其特征在于，将所述地震数据进行形态学处理的方法为：
4.如权利要求1所述的基于互相关卷积网络的地震相识别方法，其特征在于，所述生成对抗网络包括生成模型和判别模型，随机噪声输入所述生成器生成噪声信号，所述噪声信号与地震数据输入所述判别模型，所述判别模型用于判断所述地震信号的真假，生成模型和判别模型均由若干去除了全连接层的卷积网络组成。
5.如权利要求4所述的基于互相关卷积网络的地震相识别方法，其特征在于，所述生成模型的输出层采用tanh函数作为激活函数，所述生成对抗网络中的其余层均采用relu函数作为激活函数，所述生成对抗网络为条件生成对抗网络，所述条件生成对抗网络通过学习结构化的损失函数，对输出的节点构造进行惩罚。
6.如权利要求5所述的基于互相关卷积网络的地震相识别方法，其特征在于，所述条件生成对抗网络包括：第一生成器、第二生成器、第一判别器和第二判别器，将地震信息与随机噪声拼接后生成第...
【专利技术属性】
技术研发人员：张金淼，朱振宇，杜向东，薛东川，王建花，刘子淳，孙文博，魏倩倩，张玉华，汪小将，陶杰，
申请(专利权)人：中国海洋石油集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。